| 西北师范大学研究生学位论文作者信息 | 第5-8页 |
| 摘要 | 第8-9页 |
| Abstract | 第9-10页 |
| 1 绪论 | 第11-18页 |
| 1.1 研究的背景和意义 | 第11-13页 |
| 1.2 国内外研究现状 | 第13-16页 |
| 1.3 本文的研究内容及创新点 | 第16-17页 |
| 1.4 论文的组织结构 | 第17-18页 |
| 2 相关理论知识综述 | 第18-35页 |
| 2.1 分类方法概述 | 第18页 |
| 2.2 分类算法的评价 | 第18-19页 |
| 2.3 常见分类方法 | 第19-24页 |
| 2.3.1 决策树分类（Decision Tree） | 第19-21页 |
| 2.3.2 贝叶斯分类（Bayesian） | 第21-22页 |
| 2.3.3 K-最近邻分类（K-Nearest Neighbor，K-NN） | 第22-23页 |
| 2.3.4 神经网络分类（Neural Network） | 第23页 |
| 2.3.5 关联规则分类（Association Rule） | 第23-24页 |
| 2.3.6 支持向量机分类（Support Vector Machine, SVM） | 第24页 |
| 2.4 数据流分类 | 第24-34页 |
| 2.4.1 数据流分类简介 | 第24-25页 |
| 2.4.2 概念漂移 | 第25-26页 |
| 2.4.3 增量分类算法 | 第26-28页 |
| 2.4.4 集成分类算法 | 第28-34页 |
| 2.5 本章小结 | 第34-35页 |
| 3 基于半监督 K-关联最优图的数据流分类算法 | 第35-47页 |
| 3.1 K-关联图和 K-关联最优图 | 第35-37页 |
| 3.2 半监督 K-关联最优图 | 第37-39页 |
| 3.3 算法 SKAOGClass 的基分类器 | 第39-41页 |
| 3.4 算法 SKAOGClass | 第41-43页 |
| 3.4.1 算法步骤 | 第41-42页 |
| 3.4.2 算法分析 | 第42-43页 |
| 3.5 实验及结果分析 | 第43-46页 |
| 3.5.1 算法准确率分析 | 第44-45页 |
| 3.5.2 算法稳定性分析 | 第45-46页 |
| 3.6 本章小结 | 第46-47页 |
| 4 半监督数据流混合集成分类算法 | 第47-58页 |
| 4.1 SMEClass 算法模型的训练和分类的流程 | 第47-49页 |
| 4.2 SMEClass 算法 | 第49-53页 |
| 4.2.1 算法的合理性论证 | 第49-51页 |
| 4.2.2 算法的执行过程 | 第51-52页 |
| 4.2.3 基分类器权值计算 | 第52-53页 |
| 4.3 数据流变化的检测和识别 | 第53-54页 |
| 4.3.1 概念漂移的检测 | 第53页 |
| 4.3.2 噪声数据的过滤 | 第53-54页 |
| 4.4 实验及结果分析 | 第54-57页 |
| 4.4.1 算法准确率分析 | 第55-56页 |
| 4.4.2 算法的运行时间及可扩展性 | 第56-57页 |
| 4.5 本章小结 | 第57-58页 |
| 5 总结与展望 | 第58-60页 |
| 5.1 本文工作总结 | 第58-59页 |
| 5.2 问题及展望 | 第59-60页 |
| 参考文献 | 第60-65页 |
| 攻读硕士期间的科研成果 | 第65-66页 |
| 致谢 | 第66页 |
